详情点击链接：python多光谱遥感数据处理、图像分类、定量评估及机器学习方法

一，数据下载、处理

1、多光谱遥感基础和主要数据源

多光谱遥感； 光谱、多光谱、RGB真彩色、彩色图像、反射率、DN值、辐射亮度等基本理论。多光谱遥感的主要卫星数据源及下载方法（哨兵、Landsat、Aster、Modis等）。典型地物光谱特征，矿物、土壤、植被光谱诊断特征及理论。 

2、多光谱数据预处理方法

多光谱遥感的数据处理方法，数据辐射校正、正射校正、地形校正、数据合成、数据镶嵌，基于SNAP软件的哨兵数据预处理方法；基于ENVI软件的多光谱数据预处理、波段组合、光谱指数计算、图像分类等方法。二，多光谱遥感数据处理Python环境搭建和开发​​​​​​​

1、Python安装、常用功能

Python开发语言；Pycharm、Anaconda软件下载、安装和常用功能；Python 基础语法和开发。Python多光谱图像处理虚拟环境的构建与第三方包安装。

2、Python 中的空间数据和处理

使用geopandas 读取矢量数据 shapefile文件 ，在Python中查看矢量数据元数据和坐标系统，在Python中访问和查看矢量数据属性，矢量数据处理。在Python中对栅格数据集进行重新分类。使用 shapefile 文件在Python中裁剪栅格数据集，使用rasterio处理栅格数据。

3、Python多光谱图像数据显示、读取和预处理方法

多光谱数据读取和显示；数据预处理（辐射校正、大气校正）模块介绍及解析。数据处理常见程序及解析。三，Python机器学习、深度学习方法​​​​​​​

1、机器学习方法及Python实现

Python机器学习库scikit-learn；包括：安装scikit-learn、数据集生成、数据切分、数据标准化和归一化；从回归、分类、聚类、降维4个方面学习scikit-learn的使用，包括随机森林、决策树、支持向量机、朴素贝叶斯等机器学习方法。

2、深度学习方法及Python实现

 深度学习基本，Python机器学习库PyTorch，涉及处理数据、创建模型、优化模型参数和保存经过训练的模型，在 PyTorch 中实现的完整 ML 工作流程。四，基于python的多光谱遥感数据清理与信息提取技术​​​​​​​

1.多光谱数据清理和光谱指数计算方法

描述云层覆盖对遥感数据分析的影响。使用掩膜去除被云/阴影覆盖的光谱数据集（图像）的部分。基于python计算NDVI：归一化差异植被指数，NDYI：归一化差异黄度指数，NBUI：新建筑指数。NBLI：归一化差异裸地指数，NDWI：归一化差异水指数等。2.多光谱机器学习数据整理和分类方法

多光谱数据重组整理、机器学习模型构建、训练方法。使用深度学习框架实现遥感影像地物识别分类；采用随机森林等机器学习方法实现多光谱遥感图像分类；PyTorch训练U-Net模型实现多光谱卫星影像语义分割等。3.多光谱数据协同方法

多时间序列的多光谱数据处理方法，地物分类和分析，卫星、无人机、地面多传感器协同方法。五，典型案例​​​​​​​

1.矿物识别

基于Aster数据的矿物填图试验案例，讲解Aster数据预处理、波段比值分析，矿物光谱匹配方法。

2.土壤评价与多光谱

基于哨兵、Landsat数据对土壤质量参数进行评估，涉及多光谱与土壤调查方案设计、多光谱数据土壤质量参数建模，结果精度评价及可视化等。

3 植被农作物多光谱分析

基于Landsat-8数据植被光谱指数的计算和植被分类；基于时间序列的哨兵数据农作物分类案例；农作物产量评估和长势预测算法案例。